CN112165084B - 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法 - Google Patents

计及光伏-负荷双侧预测不确定性的多时间尺度优化方法 Download PDF

Info

Publication number
CN112165084B
CN112165084B CN202010720990.1A CN202010720990A CN112165084B CN 112165084 B CN112165084 B CN 112165084B CN 202010720990 A CN202010720990 A CN 202010720990A CN 112165084 B CN112165084 B CN 112165084B
Authority
CN
China
Prior art keywords
photovoltaic
output
power station
prediction
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010720990.1A
Other languages
English (en)
Other versions
CN112165084A (zh
Inventor
李�赫
李继东
李欣彤
李国庆
杜鹏
孙博
王振浩
边竞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongliao Power Supply Co Of State Grid East Inner Mongolia Electric Power Co
Northeast Electric Power University
Original Assignee
Tongliao Power Supply Co Of State Grid East Inner Mongolia Electric Power Co
Northeast Dianli University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongliao Power Supply Co Of State Grid East Inner Mongolia Electric Power Co, Northeast Dianli University filed Critical Tongliao Power Supply Co Of State Grid East Inner Mongolia Electric Power Co
Priority to CN202010720990.1A priority Critical patent/CN112165084B/zh
Publication of CN112165084A publication Critical patent/CN112165084A/zh
Application granted granted Critical
Publication of CN112165084B publication Critical patent/CN112165084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种计及光伏‑负荷双侧预测不确定性的多时间尺度优化方法，属于电力控制技术领域。本发明的目的是利用光伏电站间的空间关联特征提高大规模光伏出力预测精度的计及光伏‑负荷双侧预测不确定性的多时间尺度优化方法。本发明包括下述步骤：计算光伏电站出力的波动分量；确定大规模光伏电站之间的空间关联特征；建立基于空间关联特性的光伏出力预测模型；建立多场景随机规划模型；建立梯形模糊数等价模型。本发明为大规模光伏电站出力特性分析、光伏资源跨省跨区输送与交易、光伏资源最优配置等电网规划调度层面的研究提供数据及理论支持；还可为集中式光伏群监测布点和全局分析提供手段，具有推广价值。

Description

计及光伏-负荷双侧预测不确定性的多时间尺度优化方法
技术领域
本发明属于电力控制技术领域。
背景技术
由于光伏行业的政策性激励，我国光伏装机容量短期内迅猛增长，2019年底全国光 伏发电量达2243亿千瓦时，同比增长26.3％。作为大规模光伏送端基地的西北五省(区)新 增装机649万千瓦，占全国新增装机总量的21.6％。随着新能源和柔性负荷的快速发展，源- 荷双侧预测的准确程度将直接影响优化调度结果，而光伏发电与风电等新能源出力具有波动 性与随机性，多种柔性负荷参与的负荷侧出力预测水平对互联电网优化运行的影响亦不可忽 视。如何处理优化调度过程中的多重不确定性成为了国内外学者的研究热点。现有文献中有 根据历史数据对新能源出力的预测不确定性进行概率建模，提出了一种改进的列约束生成算 法，获得不同概率条件下系统预期运营最优成本。现有文献中有采用大型水库对光伏出力波 动性进行补偿形成能源互补混合动力系统，结合特高压直流传输线，实现光伏与水电资源的 最优配置。现有文献中有研究了跨区互联电网的源-网-荷协同优化调度，考虑源-荷双侧不确 定性，以新能源出力、火电机组出力、柔性负荷调度量等为优化变量，建立了基于随机机会 约束规划的优化调度基础模型。现有文献中有根据风电预测功率平均值建立抽水蓄能机组的 运行状态，构建基于可信性理论机会约束规划的风-火-蓄经济优化调度模型，有效地降低了 风电上网功率的间歇性和波动性。
发明内容
本发明的目的是利用光伏电站间的空间关联特征提高大规模光伏出力预测精度的计 及光伏-负荷双侧预测不确定性的多时间尺度优化方法。
本发明步骤是：
步骤1：光伏电站出力的波动分量
步骤1-1：光伏电站的理论出力
不计及遮挡情况和温度影响时光伏电站理论出力
Figure BDA0002599990300000011
为：
Figure BDA0002599990300000012
式中：Pstc为标况下光伏板的出力；
步骤1-2：光伏电站的出力衰减程度
用每日晴空指数Kd来表征光伏出力的衰减程度，表达式为：
Figure BDA0002599990300000013
式中：时间t从日出到日落；
Figure BDA0002599990300000014
表示t时刻光伏出力实测值；
光伏出力的波动分量ΔPt
Figure BDA0002599990300000015
步骤2：确定大规模光伏电站之间的空间关联特征
步骤2-1：采用k-means方法对多个光伏电站出力波动量进行聚类分析；
步骤2-2：通过组内平方误差和确定电站最优聚类数目；
步骤3：建立基于空间关联特性的光伏出力预测模型
步骤3-1：建立LSTM的数学模型
遗忘门ft，输入门it和输出门ot，内部存储器
Figure BDA0002599990300000021
循环网络中各变量为
Figure BDA0002599990300000022
式中：Wf、Wi、Wo、Wc为权重矩阵；bf、bi、bo、bc为偏置参数；σ为激活函数，xt、Ct、 ht分别为t时刻的输入层状态、控制单元状态、隐藏单元状态；
步骤3-2：建立LSTM的预测模型
将目标光伏电站历史出力数据和太阳辐照强度数据作为LSTM网络模型的输入，得出预测模型 的表达式：
ht+1＝f(ht,ht-1,…,ht-n,xt+1,xt,…,xt-n) (5)
式中：ht+1为目标电站光伏预测值；ht,…,ht-n为目标电站光伏出力历史数据；xt+1,…,xt-n为目标 电站太阳辐照强度数据；
步骤3-3：将每一类电站群中的电站作为预测模型中的目标电站，将各目标光伏电站历史出 力数据和太阳辐照强度数据作为LSTM网络模型的输入，可以同时得到多维光伏出力预测序列；
步骤3-4：将所有光伏电站群的预测数据进行累加，即可得到全省大规模光伏电站群预测总 出力；
步骤4：建立多场景随机规划模型
步骤4-1：描述光伏预测误差分布
具有三个自由度的分布函数
Figure BDA0002599990300000023
式中：μ,σ,ν分别是TLS分布的位置参数、尺度参数与形状参数，Γ(·)表示伽马函数；
步骤4-2：采用蒙特卡洛模拟方法分别随机生成100个光伏发电场景；
步骤4-3：选择改进的k-means算法进行场景削减；
步骤5：建立梯形模糊数等价模型
步骤5-1：调度周期内光伏出力和负荷的模糊参数可用梯形函数表示：
Figure BDA0002599990300000031
式中：ux为隶属度函数；S1、S2、S3、S4为隶属度参数，决定隶属度函数形状；
步骤5-2：对梯形模糊参数进行数值等价
Figure BDA0002599990300000032
式中：α为置信水平，0≤α≤1；
步骤5-3：光伏及负荷出力模糊数等价
光伏日内预测出力表示为：
Figure BDA0002599990300000033
Figure BDA0002599990300000034
式中：γ为光伏风险水平，
Figure BDA0002599990300000035
为光伏出力梯形模糊数，ppv1，t≤ppv2，t≤ppv3，t≤ppv4，t，Ki为 比例系数，0＜Ki≤1，
Figure BDA00025999903000000312
为光伏日内预测出力值； 负荷日内预测出力表示为：
Figure BDA0002599990300000037
Figure BDA0002599990300000038
式中：
Figure BDA0002599990300000039
为负荷置信水平，
Figure BDA00025999903000000310
为负荷梯形模糊数，pd1，t≤pd2，t≤pd3，t≤pd4，t，
Figure BDA00025999903000000311
为负荷预测 需求值。
主要内容是利用光伏电站间的空间关联特征提高大规模光伏出力的预测精度，并在 此基础上利用多场景规划方法和梯形模糊数等价方法分别处理日前和日内的光伏出力预测带 来的不确定性。其特点是能够降低光伏、负荷出力预测不确定性对大规模光伏并网稳定运行 的影响。本发明提供的技术方案具有的优异效果是：
本发明计及电站间的空间关联特性可以使光伏出力预测模型更加完善，降低光伏出 力预测误差。多场景随机规划模型可以将新能源出力的不确定性特征转换为典型的确定性场 景集，从而使后续调度计算结果更贴近实际运行结果。
本发明提出的梯形模糊数等价模型将日内光伏、负荷预测出力的不确定性转换为不 同置信水平下的确定性出力，降低了光伏出力预测不确定性对日内调度的影响。
本发明提出了一种计及光伏-负荷双侧预测不确定性的多时间尺度优化方法，为大规 模光伏电站出力特性分析、光伏资源跨省跨区输送与交易、光伏资源最优配置等电网规划调 度层面的研究提供数据及理论支持；还可为集中式光伏群监测布点和全局分析提供手段，具 有推广价值。
附图说明
图1是LSTM单元结构图；
图2是考虑空间关联特征的光伏出力预测模型结构框图；
图3是光伏预测误差分布拟合情况；
图4是组内平方误差和示意图；
图5是不同聚类数目下变动电站占比变化曲线；
图6是梯形模糊参数模型；
图7是日前、日内光伏出力预测曲线及光伏实测曲线；
图8是日前光伏预测出力场景削减结果；图8a是日前光伏预测出力场景生成；图8b是日前 光伏预测出力削减场景；
图9是不同置信水平下光伏日内预测出力；
图10是不同置信水平下负荷需求曲线。
具体实施方式
随着大规模光伏电站接入电网带来的不确定性和高渗透性，使得电网规划、调度运 行面临巨大挑战。
本发明包括下述步骤：
(1)计算光伏电站出力的波动分量；
(2)确定大规模光伏电站之间的空间关联特征；
(3)建立基于空间关联特性的光伏出力预测模型；
(4)建立多场景随机规划模型；
(5)建立梯形模糊数等价模型。
本发明公开一种计及光伏-负荷双侧预测不确定性的多时间尺度优化方法，主要内容 是利用光伏电站间的空间关联特征提高大规模光伏出力的预测精度，并在此基础上利用多场 景规划方法和梯形模糊数等价方法分别处理日前和日内的光伏出力预测带来的不确定性。其 特点是能够降低光伏、负荷出力预测不确定性对大规模光伏并网稳定运行的影响。所述方法 包括下述步骤：
步骤1：计算光伏电站出力的波动分量。
步骤1-1：计算光伏电站的理论出力。
不计及遮挡情况和温度影响时光伏电站理论出力
Figure BDA0002599990300000051
为：
Figure BDA0002599990300000052
式中：Pstc为标况(太阳辐射强度Istc＝1000W/m2；温度Tstc＝298K)下光伏板的出力。
步骤1-2：计算光伏电站的出力衰减程度。
而光伏发电实际出力受多种因素的影响，较理论出力会有所衰减。用每日晴空指数Kd来表征 光伏出力的衰减程度，表达式为：
Figure BDA0002599990300000053
式中：时间t从日出到日落；
Figure BDA0002599990300000054
表示t时刻光伏出力实测值。
温度变化、云层移动、浮尘遮挡等自然现象，使光伏出力出现波动产生波动分量。光伏实际出力与衰减理论出力的差值即代表了光伏出力的波动分量ΔPt，其表达式为：
Figure BDA0002599990300000055
步骤2：确定大规模光伏电站之间的空间关联特征。
步骤2-1：采用k-means方法对多个光伏电站出力波动量进行聚类分析。
步骤2-2：通过组内平方误差和(sum of squared error，SSE)确定电站最优聚类数目。
步骤3：建立基于空间关联特性的光伏出力预测模型。
步骤3-1：建立LSTM的数学模型。
LSTM神经网络由输入层、隐藏层和输出层组成。其循环网络展开后如图1所示。LSTM门控机 制中包含3个门，即遗忘门ft，输入门it和输出门ot，结构中还含有一个内部存储器
Figure BDA0002599990300000057
循环 网络中各变量的计算公式为:
Figure BDA0002599990300000056
式中：Wf、Wi、Wo、Wc为权重矩阵；bf、bi、bo、bc为偏置参数；σ为激活函数，通常为 relu或sigmoid函数；xt、Ct、ht分别为t时刻的输入层状态、控制单元状态、隐藏单元状 态。
步骤3-2：建立LSTM的预测模型。
LSTM模型结构与循环神经网络一样，可以看做是同一神经网络的多次复制，每个神经网络模 块会把消息传递给下一个模块。将目标光伏电站历史出力数据和太阳辐照强度数据作为LSTM 网络模型的输入，可以得出预测模型的表达式：
ht+1＝f(ht,ht-1,…,ht-n,xt+1,xt,…,xt-n) (5)
式中：ht+1为目标电站光伏预测值；ht,…,ht-n为目标电站光伏出力历史数据；xt+1,…,xt-n为目标 电站太阳辐照强度数据。
步骤3-3：图2为考虑空间关联特征的光伏出力预测模型结构框图。将每一类电站群中的电站作为预测模型中的目标电站，将各目标光伏电站历史出力数据和太阳辐照强度数 据作为LSTM网络模型的输入，可以同时得到多维光伏出力预测序列。
步骤3-4：将所有光伏电站群的预测数据进行累加，即可得到全省大规模光伏电站群预测总 出力。
步骤4：建立多场景随机规划模型。
步骤4-1：描述光伏预测误差分布。
图3为某省2018年5月到7月共3个月的光伏出力日前预测误差概率分布和不同分布拟合曲 线。t Location-Scale(TLS)分布是具有三个自由度的分布函数[20]，表达式如下：
Figure BDA0002599990300000061
式中：μ,σ,ν分别是TLS分布的位置参数、尺度参数与形状参数，Γ(·)表示伽马函数。
步骤4-2：采用蒙特卡洛模拟方法分别随机生成100个光伏发电场景。
步骤4-3：选择改进的k-means算法进行场景削减。
步骤5：建立梯形模糊数等价模型。
步骤5-1：调度周期内光伏出力和负荷的模糊参数可用梯形函数表示：
Figure BDA0002599990300000062
式中：ux为隶属度函数；S1、S2、S3、S4为隶属度参数，决定隶属度函数形状。
步骤5-2：由于梯形模糊参数不能直接应用于公式计算，提出一种简明的方法来对梯形模糊参数进行数值等价，等价公式如下：
Figure BDA0002599990300000063
式中：α为置信水平，0#α1。
步骤5-3：光伏及负荷出力模糊数等价。
光伏日内预测出力可表示为：
Figure RE-GDA0002800028620000064
Figure RE-GDA0002800028620000065
式中：γ为光伏风险水平，
Figure RE-GDA0002800028620000066
为光伏出力梯形模糊数，ppv1，t≤ppv2，t≤ppv3，t≤ppv4，t，Ki为 比例系数，0＜Ki≤1，
Figure RE-GDA0002800028620000067
为光伏日内预测出力值。
负荷日内预测出力可表示为：
Figure BDA0002599990300000068
Figure BDA0002599990300000069
式中：
Figure BDA00025999903000000610
为负荷置信水平，
Figure BDA00025999903000000611
为负荷梯形模糊数，pd1,t#pd2,t pd3,t？pd4,t，
Figure BDA00025999903000000612
为负荷预测需 求值。
基于本发明计及光伏-负荷双侧预测不确定性的多时间尺度优化方法，结合某省大规 模集中式光伏电站实际出力数据为例，其中集中式光伏电站总个数为37。截取2018年5月 到7月06:00至20:00的光伏出力和太阳辐照强度历史数据进行仿真。数据采样间隔为15min 一次，每个光伏电站包含5152个出力数据。
采用K-means方法对多个光伏电站出力波动量进行聚类，通过组内平方误差和(SSE) 确定电站群最优聚类数目。选取6月天气波动较为频繁的1日到7日对全省大规模电站进行 聚类分析。以6月1日为例，通过SSE判定电站群最优聚类个数的结果如图4所示。可以看 出聚类数目k取值为6时蓝色曲线有一个明显的拐点，此后随着聚类数目的增加，曲线变化 趋势较为平缓，证明电站群最优聚类数目为6类。表1为6月1日到7日全省光伏电站最优 聚类数。将不同天气下始终同属一个聚类集合的电站选为典型电站，对不属于同一集合的电 站定义为变动电站。为了提高全省电站光伏出力预测精度，应减少变动电站的占比。将聚类 数目和变动电站占比率进行分析，得到不同聚类数目下变动电站占比率变化曲线如图5所示。 可以发现在5～7的聚类数目中，聚类数目为6时变动电站占比最小。因此，考虑不同天气情 况下全省电站最优分类数为6类。表2为青海省6种聚类电站群对应电站数目。
分别对6种光伏电站群的历史数据应用交叉验证法将历史数据按照训练集：测试集 为9：1(4637：515)的比例对预测模型进行训练和测试。设定模型输入层时间步长为10，隐 藏层数目为2，隐藏层第一层维数为15，隐藏层第二层维数为30。模型仿真得到8月1日此省日前预测曲线如图7所示。同时，基于此模型进行1—4步，即15min—1h的超短期滚动预测，得到8月1日此省日内预测曲线于如图7所示。图7还包括光伏实测出力曲线。以TLS 分布表示日前光伏出力的预测误差，采用蒙特卡洛模拟方法分别随机生成100个光伏发电场景，通过改进的K-means算法进行场景削减，求得其日前光伏预测出力场景削减结果如图8所示。各削减场景的发生概率见表3。采用梯形模糊参数表示光伏日内预测出力，通过公式(10)计算梯形模糊参数取值范围，通过公式(9)等价出不同置信水平下光伏日内预测出力。其日内光伏预测出力数据集如图9所示。同样采用梯形模糊参数表示负荷日内需求，不同置信水平下负荷日内需求曲线如图10所示。确定光伏、负荷隶属度参数的比例系数Ki取值见表4。
表1
Figure BDA0002599990300000071
表2
Figure BDA0002599990300000081
表3
Figure BDA0002599990300000082
表4
Figure BDA0002599990300000083

Claims (1)

1.一种计及光伏-负荷双侧预测不确定性的多时间尺度优化方法，其特征在于：其步骤是：
步骤1：光伏电站出力的波动分量
步骤1-1：光伏电站的理论出力
不计及遮挡情况和温度影响时光伏电站理论出力Pt sim为：
Figure FDA0002599990290000011
式中：Pstc为标况下光伏板的出力；
步骤1-2：光伏电站的出力衰减程度
用每日晴空指数Kd来表征光伏出力的衰减程度，表达式为：
Figure FDA0002599990290000012
式中：时间t从日出到日落；Pt meas表示t时刻光伏出力实测值；
光伏出力的波动分量ΔPt
ΔPt＝Pt meas-KdPt sim (3)；
步骤2：确定大规模光伏电站之间的空间关联特征
步骤2-1：采用k-means方法对多个光伏电站出力波动量进行聚类分析；
步骤2-2：通过组内平方误差和确定电站最优聚类数目；
步骤3：建立基于空间关联特性的光伏出力预测模型
步骤3-1：建立LSTM的数学模型
遗忘门ft，输入门it和输出门ot，内部存储器
Figure FDA0002599990290000013
循环网络中各变量为
Figure FDA0002599990290000014
式中：Wf、Wi、Wo、Wc为权重矩阵；bf、bi、bo、bc为偏置参数；σ为激活函数，xt、Ct、ht分别为t时刻的输入层状态、控制单元状态、隐藏单元状态；
步骤3-2：建立LSTM的预测模型
将目标光伏电站历史出力数据和太阳辐照强度数据作为LSTM网络模型的输入，得出预测模型的表达式：
ht+1＝f(ht,ht-1,…,ht-n,xt+1,xt,…,xt-n) (5)
式中：ht+1为目标电站光伏预测值；ht,…,ht-n为目标电站光伏出力历史数据；xt+1,…,xt-n为目标电站太阳辐照强度数据；
步骤3-3：将每一类电站群中的电站作为预测模型中的目标电站，将各目标光伏电站历史出力数据和太阳辐照强度数据作为LSTM网络模型的输入，可以同时得到多维光伏出力预测序列；
步骤3-4：将所有光伏电站群的预测数据进行累加，即可得到全省大规模光伏电站群预测总出力；
步骤4：建立多场景随机规划模型
步骤4-1：描述光伏预测误差分布
具有三个自由度的分布函数
Figure FDA0002599990290000021
式中：μ,σ,ν分别是TLS分布的位置参数、尺度参数与形状参数，Γ(·)表示伽马函数；
步骤4-2：采用蒙特卡洛模拟方法分别随机生成100个光伏发电场景；
步骤4-3：选择改进的k-means算法进行场景削减；
步骤5：建立梯形模糊数等价模型
步骤5-1：调度周期内光伏出力和负荷的模糊参数可用梯形函数表示：
Figure FDA0002599990290000022
式中：ux为隶属度函数；S1、S2、S3、S4为隶属度参数，决定隶属度函数形状；
步骤5-2：对梯形模糊参数进行数值等价
Figure FDA0002599990290000023
式中：α为置信水平，0≤α≤1；
步骤5-3：光伏及负荷出力模糊数等价
光伏日内预测出力表示为：
Figure FDA0002599990290000024
Figure FDA0002599990290000025
式中：γ为光伏风险水平，
Figure FDA0002599990290000026
为光伏出力梯形模糊数，ppv1，t≤ppv2，t≤ppv3，t≤ppv4，t，Ki为比例系数，0＜Ki≤1，
Figure FDA00025999902900000210
为光伏日内预测出力值；
负荷日内预测出力表示为：
Figure FDA0002599990290000028
Figure FDA0002599990290000029
式中：
Figure FDA0002599990290000031
为负荷置信水平，
Figure FDA0002599990290000032
为负荷梯形模糊数，pd1，t≤pd2，t≤pd3，t≤pd4，t，
Figure FDA0002599990290000033
为负荷预测需求值。
CN202010720990.1A 2020-07-24 2020-07-24 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法 Active CN112165084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010720990.1A CN112165084B (zh) 2020-07-24 2020-07-24 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010720990.1A CN112165084B (zh) 2020-07-24 2020-07-24 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法

Publications (2)

Publication Number Publication Date
CN112165084A CN112165084A (zh) 2021-01-01
CN112165084B true CN112165084B (zh) 2022-02-15

Family

ID=73859840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010720990.1A Active CN112165084B (zh) 2020-07-24 2020-07-24 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法

Country Status (1)

Country Link
CN (1) CN112165084B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112952839B (zh) * 2021-01-29 2022-09-20 国网内蒙古东部电力有限公司 一种基于可控负荷的配电网经济调度评估方法
CN112994092B (zh) * 2021-02-24 2022-07-29 中南大学 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN113054688B (zh) * 2021-04-06 2022-09-16 华中科技大学 考虑不确定性的可再生能源集群出力分布式协调控制方法
CN115189401A (zh) * 2022-07-27 2022-10-14 国网甘肃省电力公司经济技术研究院 一种计及源荷不确定性的日前-日内协调优化调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10409925B1 (en) * 2012-10-17 2019-09-10 Clean Power Research, L.L.C. Method for tuning photovoltaic power generation plant forecasting with the aid of a digital computer
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN111275238A (zh) * 2019-12-15 2020-06-12 东北电力大学 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN111277005A (zh) * 2020-02-19 2020-06-12 东北电力大学 考虑源-荷协调优化的多源电力系统多时间尺度调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109103926B (zh) * 2018-08-14 2020-01-03 清华大学 基于多辐照特性年气象场景的光伏发电接纳能力计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10409925B1 (en) * 2012-10-17 2019-09-10 Clean Power Research, L.L.C. Method for tuning photovoltaic power generation plant forecasting with the aid of a digital computer
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN111275238A (zh) * 2019-12-15 2020-06-12 东北电力大学 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN111277005A (zh) * 2020-02-19 2020-06-12 东北电力大学 考虑源-荷协调优化的多源电力系统多时间尺度调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑预测误差的光伏微电网优化调度;禹威威等;《安徽工程大学学报》;20170415(第02期);全文 *

Also Published As

Publication number Publication date
CN112165084A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112165084B (zh) 计及光伏-负荷双侧预测不确定性的多时间尺度优化方法
Liu et al. Prediction of short-term PV power output and uncertainty analysis
Gao et al. Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM
Zhong et al. Prediction of photovoltaic power generation based on general regression and back propagation neural network
CN110909912B (zh) 基于自适应误差反馈的园区电力系统净负荷组合预测方法
Zou et al. Capacity configuration of distributed photovoltaic and battery system for office buildings considering uncertainties
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
Michael et al. Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network
Tan et al. A multi-task learning method for multi-energy load forecasting based on synthesis correlation analysis and load participation factor
Huang et al. Ultra‐short‐term photovoltaic power forecasting of multifeature based on hybrid deep learning
Savchenko et al. Improving the efficiency of solar power plants based on forecasting the intensity of solar radiation using artificial neural networks
CN113659631A (zh) 考虑时变特性的风光电站群出力描述方法
Setiawan et al. Analysis of solar photovoltaic utilization in industrial sector for improving competitiveness in the smart grid
Rogeau et al. Evolution of electrical distribution grid sizing considering self-consumption of local renewable production
CN115765044A (zh) 风光水电系统联合运行及风险分析方法和系统
CN113690883B (zh) 新能源区域能源需求预测方法、装置、终端设备及介质
Zhou et al. PV power characteristic modeling based on multi-scale clustering and its application in generation prediction
Andrianajaiana et al. Analysis and Forecasting of Solar Power Generation using Machine Learning
Duan et al. Power forecasting approach of PV plant based on similar time periods and Elman neural network
CN113609686B (zh) 一种新能源置信容量分析方法及系统
Zhang et al. Photovoltaic power generation prediction and optimization configuration model based on GPR and improved PSO algorithm
Indralaksono et al. Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors
Junhuathon et al. Deep-learning-based short-term photovoltaic power generation forecasting using improved self-organization map neural network
López-Meraz et al. Monthly characterization of the generation of photovoltaic arrays. microgrid case CEDER, Soria, Spain
Lee et al. Sustainable Smart City Building-energy Management Based on Reinforcement Learning and Sales of ESS Power.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant